本站原创文章，转载请说明来自《老饼讲解-机器学习》www.bbbdata.com
前言
辨识数据分析、机器学习与人工智能的区别，有助我们选定学习目标和学习定位
这几个概念/岗位的知识有不少重叠的部分，如果不清晰，则在学习时可能会点错技能点
本文通过辨识四者，帮助大家选择好自己的学习定位
预先声明，本文的个别观点可能会说得过于绝对 ，这只是为了强化它们的区别
因为数据分析、机器学习与人工智能三者本身就不是那么的泾渭分明
它们之间有很多层叠的地方，因此要给出一个绝对的描述是不可能的
此外，本文为个人观点，也并非很严谨的观点，
本文仅仅只是为了让刚接触的同学，有一个可以初步参考的内容，避免一无所知
本节介绍数据分析是从事什么工作的，以及技能要求
数据分析是干什么的
顾名思义，数据分析就是对数据进行分析
虽然岗位同样是数据分析，但实际工作会因为不同公司、不同业务，而有很大区别
工作岗位与工作内容
一般来说，数据分析的岗位与工作内容有如下三种：
1. 传统公司小数据分析
使用Excel等进行数据统计，分析
2. IT行业数据分析(常见于互联网公司)
数据用数据库存储，使用SQL搭配python等语言进行业务分析
3. 高级数据分析
需要一定的建模能力，与数据挖掘有一定的交叉
工作所需技能
对应地，数据分析所需要的技能如下：
初级技能：excel、分析思维
中级技能：SQL、python、用户画像
高级技能：线性回归、逻辑回归、SVM、决策树
目前，从事数据分析的人员一般以专科、本科为主
工作定位
一般来说，数据分析的定位是从属于业务，一切从业务需求出发
数据分析的定位下限是技术服务于业务，上限则是技术赋能于业务
它日常工作主要是服务于业务，对业务问题进行分析、产出相关报告
所以，数据分析的下限非常低，只要有学历、会Excel就可以从事了
但是，如果要往更高级的工作内容走，就要接触SQL、python、甚至一些模型算法
本节介绍机器学习相关的工作日常一般是干什么的
数据挖掘/数学建模/机器学习-是干什么的
工作岗位与工作内容
数据挖掘/数学建模/机器学习这三种岗位，在实际工作中往往是同一样东西
这大概是因为机器学习=数据挖掘+建模，所以三者实际是同一回事
它们都是使用传统的算法和模型，来对数据进行建模
通过业务数据的训练，完成业务上的一些聚类、分类(识别)、预测的任务
例如：产品推荐、用户质量预测(评估)、用户画象、数据关系挖掘等等
数据挖掘/数学建模/机器学习-所需技能
初级技能：语言：SQL、python;
模型：线性回归、逻辑回归、SVM、决策树等
高级技能：语言：hadoop，spark
模型：神经网络、深度学习
目前，数据挖掘的从事人员一般以本科、研究生为主
工作定位
机器学习岗位一般的定位是"用技术赋能于业务"
它往往作为一个独立组织，会有一定的技术空间，
主要以产出业务模型、分析报告等产品，来对业务进行赋能
数据挖掘/数学建模/机器学习一般都只要求熟悉传统机器学习模型
一般来说，很少会使用深度学习的模型，但不排除某些特殊业务/岗位会有所要求
在编程语言方面，一般以python、SQL为主，在数据量特别大时则需要使用hadoop或spark
本节介绍深度学习/AI一般是干什么的
人工智能 /深度学习
由于人工智能AI目前以深度学习为主力军，所以AI和深度学习往往指同样的工作
工作方向
目前根据处理问题的对象，和基础业务背景，
深度学习明确分为三块：文本挖掘NLP、图象处理、音频处理
1. 文本挖掘NLP
主要任务为词法分析、句法分析、语义分析、文档分析，
用于序列标注、文本分类、机器翻译、问答系统等
2. 图象处理
实例分割、图像分割、特征提取、字符识别等
用于人脸识别、OCR识别、图像目标检测、目标跟踪、模板匹配
3. 音频处理
音频信号处理、数字滤波器，时频分析等，
用于音频降噪、、语音增强、语音识别、声纹识别、声音事件检测等
备注：还有其它综合性更强的、或非指定类型问题岗位，这里不一一列举
技能要求
深度学习一般需要如下的技能：
base语言或框架：python+TensorFlow、Pytorch框架, 拓展：C++
base算法：神经网络、深度学习(CNN、RNN等)、迁移学习、强化学习等。
应用方向知识：不同方向需要不同专业知识，例如文本分析、图象处理、音频处理等
文本分析、图象处理、音频处理三个应用方向所需的一些特有知识如下
1. 文本挖掘(NLP)
文本处理基础技能，如分词等
算法：BERT、Transformer、GPT-3、图神经网络、知识图谱等
语言或框架：python
2. 图像处理
图像基础知识，图像库OpenCV等
3. 音频处理
音频信号处理、数字滤波器等
目前，深度学习/AI的从事人员一般以研究生、博士为主
工作定位
深度学习/人工智能一般的定位，仍然是技术赋能于业务
但由于深度学习技术上的突破，能给业务带来压倒性的优势
因此，深度学习/人工智能的定位上限可以去到"技术反哺于业务"
总的来说，深度学习的工作，在技术上更具研究性、挑战性
本节综合上述内容，总结数据分析、机器学习与深度学习三者的区别
总结
数据分析、机器学习与人工智能关系总结
数据分析、机器学习(数据挖掘)、人工智能(深度学习)
这几者不管是从技能、焦点、和难度都是层层叠进，又相互有交叉的关系
它们之间的界限不是完全泾渭分明，但整体上是层层叠进
对新人的建议
对于一般普通人来说，建议从中级数据分析、或者数据挖掘入手
对于AI，有太多的Base知识和要求，对一般人可能过于困难上手
而对于低端数据分析，往往又不具挑战性，且进阶路线过于漫长
因此，从中级数据分析或者数据挖掘入手，可能是对普通人最适合的选择
老饼对数据分析的看法
在技术链上，数据分析是最底端的，但是，这仅仅是技术链
在做数据团队的管理岗时，数据分析又站到了顶端，数据分析其实是个很高级的技能
好了，以上就是数据分析、机器学习与人工智能之间的介绍和区别了~
End